La corsa ai token di Meta e i licenziamenti addossati all’IA mostrano metriche di attività che sostituiscono i risultati reali

Qualche anno fa ho misurato un test in cui una pagina di atterraggio più “brutta” convertiva il 14% in più di quella ridisegnata da un’agenzia. La nuova versione aveva punteggi di gradimento altissimi, un punteggio di leggibilità perfetto, zero attrito percepito nei test di usabilità. Eppure perdeva. Il motivo? Un segnale di qualità del traffico stava premiando i clic più istintivi e meno intenzionali. La campagna ottimizzava verso un’attività che sembrava efficiente, ma che non serviva l’azienda. È esattamente ciò che i manager hanno fatto con l’AI nei primi mesi del 2026.

Se il segnale è sottile, incompleto o disallineato con l’obiettivo aziendale, la campagna può ottimizzare verso attività che sembrano efficienti ma non servono l’azienda. I segnali di ricerca dell’AI nelle strutture PPC lo dimostrano: le piattaforme premiano i segnali che possono misurare, non lo sforzo che metti, come spiega chi ha contribuito a scalare Google Ads a miliardi di impression nel racconto di una strategia AI costruita partendo da zero.

Quello che è successo nell’industria del software nella prima metà del 2026 non è una crisi dell’intelligenza artificiale. È un caso di studio su come le metriche proxy – le proxy metric usate nell’industria per sistemi troppo complessi da misurare – abbiano sostituito il ritorno sull’investimento nel decision-making. Le valutazioni del software sono crollate per il sentiment piuttosto che per i fondamentali, le aziende hanno incolpato l’IA per i licenziamenti senza prove e il divario di fiducia e attribuzione che le aziende devono affrontare è diventato incolmabile.

Quando 73,7 trilioni di token non comprano un euro di marginalità

Riavvolgiamo il nastro. Le azioni del software sono scese di quasi il 30% nel primo semestre 2026. Un tonfo che ha un responsabile preciso: il quartile inferiore delle azioni del software ha trascinato l’intero settore, mentre il quartile mediano e superiore hanno sovraperformato l’ETF più ampio, come documentato da l’impatto dell’AI che supera la capacità di misurazione. Non è un crollo sistemico, è una selezione avversa dei peggiori.

Il calo delle azioni del software è stato correlato quasi interamente alla percezione del mercato dell’esposizione di un’azienda alla disruption dell’IA, piuttosto che alle performance effettive. Sempre la stessa analisi sul gap di attribuzione mostra che il mercato ha prezzato la paura, non i fondamentali. Un classico errore di attribuzione che qualsiasi CRO riconoscerebbe: confondere un segnale rumoroso con la causa.

Prendete Meta.

Gli ingegneri di Meta hanno bruciato 73,7 trilioni di token in un singolo mese inseguendo una classifica interna che classificava più di 85.000 dipendenti per consumo di token. Nessuno ha potuto indicare il ritorno su quella spesa di token, secondo i dati sull’impossibilità di attribuire un ROI ai token di Meta. Meta ha chiuso la classifica dei token ad aprile 2026 dopo che i CFO hanno realizzato che i budget annuali di token erano stati esauriti in quattro mesi, come riportato da la cronaca della chiusura della classifica token di Meta.

Qui non abbiamo un problema tecnologico. Abbiamo un problema di disegno sperimentale: una metrica di attività (consumo di token) che ha cannibalizzato la metrica di risultato (margine operativo). È l’equivalente enterprise di una campagna PPC che ottimizza per CTR ignorando il revenue per utente. Se non definisci l’MDE e la metrica di successo prima di scalare, il sistema trova il suo massimo locale – e non ti piacerà.

Il capro espiatorio che fa comodo a tutti

Challenger, Gray & Christmas ha rilevato che l’IA è stata citata come motivo di oltre 87.000 tagli di posti di lavoro fino a maggio 2026, circa un quinto di tutti i licenziamenti del 2026 fino a quel momento, si legge in. Ottantasettemila. Un numero che in qualunque test multivariato grideresti «confounding factor!» prima ancora di aprire il dataset.

Il rapporto di Indig sostiene che l’IA è per lo più una spiegazione conveniente per i licenziamenti che in realtà riguardavano l’eccesso di assunzioni durante la pandemia e la disciplina delle spese in conto capitale. L’ipotesi è solida: se fosse stata l’AI a sostituire davvero quei ruoli, le stesse aziende non starebbero riaprendo le posizioni. Invece alcune aziende che hanno incolpato l’IA per i licenziamenti hanno poi riassunto silenziosamente.

Un CEO che dichiara “l’AI ha reso obsoleta questa divisione” non sta descrivendo un’automazione riuscita. Sta ammettendo di non aver testato la differenza tra un assistente di codice e un team riorganizzato, tra un sistema di raccomandazione e un processo decisionale ridisegnato. Non ha condotto un A/A test per verificare che il suo gruppo di controllo fosse realmente comparabile. Ha lanciato una variante senza gruppo di controllo e, quando i risultati trimestrali sono peggiorati, ha cercato un colpevole con la lettera “A” maiuscola nel nome.

La vera variante da testare non è la tecnologia: è il management

La domanda che un CRO pone davanti a qualsiasi campagna che performa male non è mai “questa tecnologia funziona?”. È: “stiamo misurando il segnale giusto? Il nostro gruppo di controllo è valido? L’MDE che abbiamo impostato è raggiungibile con il traffico di cui disponiamo?”. Applicate questo schema ai 12 mesi di disruption dell’AI e il verdetto è scomodo: i dirigenti hanno testato la tecnologia senza testare la loro capacità di gestirla. Hanno attribuito all’AI un effetto che apparteneva alla loro strategia di hiring pregressa e alla loro disciplina di budgeting tardiva.

Quello che nessuno ha ancora quantificato è l’effetto di secondo ordine: quante delle assunzioni silenziose post-licenziamento sono state fatte per ruoli identici ma con una descrizione leggermente modificata? E quante di quelle posizioni ricreate stanno usando strumenti di AI in modo iterativo, con metriche di adozione misurate e test A/B sul deployment interno, invece che con il modello “brucia token finché non vinci la classifica”?